路径不变映射网络
计算机视觉与模式识别
2019-06-05 v3
摘要
优化一组对象/域之间的映射网络（或映射同步）是计算机视觉及许多其他相关领域的核心问题。与孤立地优化成对映射相比，映射同步的优势在于映射网络间存在可提升单个映射质量的天然约束。尽管此类自监督约束对于无向映射网络（如循环一致性约束）已被充分理解，但对于有向映射网络却鲜有探究；当映射由参数化映射（如前馈神经网络）给出时，有向映射网络自然出现。本文研究有向映射网络的一种天然自监督约束，称为路径不变性，其强制从固定源域与目标域之间的不同路径复合得到的映射相同。我们引入路径不变性基以高效编码该约束，并提出一种以多项式时间与空间复杂度输出路径方差基的算法。我们在优化物体对应、通过神经网络估计稠密图像映射，以及通过多样三维表示的映射网络进行三维场景语义分割上展示了方法的有效性。特别地，对于三维语义分割，我们的方法仅需 ScanNet 中 8% 的标注数据即可达到使用 30% 至 100% 标注数据训练单个三维分割网络的同等性能。
引用
@article{arxiv.1812.11647,
title = {Path-Invariant Map Networks},
author = {Zaiwei Zhang and Zhenxiao Liang and Lemeng Wu and Xiaowei Zhou and Qixing Huang},
journal= {arXiv preprint arXiv:1812.11647},
year = {2019}
}